HALCON高级篇：MLP理论

多层感知机（MLP）

神经网络直接决定类之间的分割超平面。对于两个类，超平面实际分割是两个类的超平面，例如位于平面一面的特征向量被分为类别1，位于平面另一面的特征向量被分为类别2。相比于两类，对于多于两个类别的，平面的选择是：正确类别的特征向量有着来自平面所有特征向量的最大正距离值。

一个线性分类器可以被建立，例如采用具有一个单层的神经网络，如下图的（a, b）。这里，一个所谓的处理单元（神经元）首先计算特征向量的线性组合，且网络加权，然后应用一个非线性的激活函数。

一个具有单层神经网络的分类需要线性可分的类别，其在许多分类应用中是不足够的。为了让分类器能够去分不是线性可分的类，你可以加跟多的层，所谓的隐含层到网络中。获得多层神经网络是由输入层，一个或者多个隐含层和一个输出层。需要注意的是，一个隐含层是足够的去接近任何的分割超平面和任何值域在【0,1】上的输出函数，，只要隐含层有足够多数量的处理单元。

神经网络；单层的，针对（a）两类（b）n类 （c）多层：（从左到右）输入层，隐含层，输出层

在神经网络中，每一层的处理单元计算特征向量或者前面一层结果的线性组合，如下图：

一个MLP的处理单元

那么，每一个处理单元首先计算输入值得线性组合的激励值：

其中：

：特征向量

：L层的结果向量

和：L层的权重

然后，结果被传入到非线性激励函数：

在HALCON中，对于隐含层单元，激励函数是双曲线正切函数:

对于输出函数（当用MLP用于分类的时候），柔性最大值函数被使用，其映射输出值到（0,1）范围捏，这样它们加起来为1：

为了得到用多层神经网络分类的分割超平面，神经网络权值必须被调整，此操作是通过训练得到的。即，已知输出的数据被插入到输入层，并被隐含层处理。然后，输出与期望的输出做比较。如果输出与期望的输出不对应（在一定的错误容差内），权重被增量调整，进而错误被最小化。值得注意的是，用HALCON来做的权重调整被用一个稳定数字算法来实现，其要被经典的后传播算法会得到了一个更好的结果。

MLP对于一般特征的分类，图像分割和OCR识起作用的。注意的而是，MLP也可以用来做最小二乘拟合9回归*和具有多个独立逻辑属性的分类问题。

觉得有帮助？请转载分享给你们的朋友吧。